Documentos de Académico
Documentos de Profesional
Documentos de Cultura
8940 Manuscrito 55279 2 10 20220829 - Compressed
8940 Manuscrito 55279 2 10 20220829 - Compressed
Resumen
Propósito: El objetivo del presente trabajo consiste en predecir el espesor de películas delgadas de ZnO, con base en
el cálculo de su dimensión fractal, a través del uso de una red neuronal del módulo Keras® perteneciente a la librería
TesorFlow®, con el optimizador “adam”, para crear una relación aparentemente biunívoca entre ambas variables, la cual
contribuya en la generación de un modelo computacional para predecir una propiedad física de las películas delgadas.
Metodología: En principio, se obtuvieron imágenes SEM de la literatura científica que reportan el espesor de la
película; posteriormente, estas imágenes se procesaron y segmentaron a través del método de Chan-Vese; seguido, se calculó la
dimensión fractal de las imágenes segmentadas; y, entonces, los datos extraídos se llevaron a una red neuronal con el objetivo
de predecir el espesor no conocido y arbitrario, de una película delgada.
Hallazgos: La intención del trabajo es generar una relación biunívoca entre el espesor de películas de óxido de zinc y
su dimensión fractal. Al respecto de trabajos previos en la literatura científica, no existen estudios que aborden la relación entre
una variable medida y una calculada. Los resultados aseveran que se puede crear una relación aparentemente biunívoca entre el
espesor y la dimensión fractal de películas delgadas.
Limitaciones de la investigación: La propuesta utiliza una red neuronal para predecir el espesor de películas delgadas
a través de su dimensión fractal calculada, sin embargo, la poca disponibilidad de imágenes requiere de un mayor acceso a este
tipo de imágenes.
Implicaciones prácticas: La propuesta, puede extenderse al cálculo de otras métricas, que, en conjunto, ayuden a la
creación de un modelo computacional para predicción del espesor de películas delgadas.
Originalidad:
En el real entender de los autores, el trabajo presentado es original para la propuesta de predicción del espesor de
películas delgadas a través de la dimensión fractal calculada.
Palabras Clave: Dimensión fractal, Espesor de películas delgadas, Red neuronal, SEM (scanning electron microscopy),
Tensor Flow.
Abstract
Purpose: The aim of this research is to predict the thickness of ZnO thin films, based on the fractal dimension,
thorough a neural network which uses Keras® module, from TensorFlow® library, with adam’s optimization solver to create
an apparently biunique relationship between thickness and fractal dimension, which contributes to the generation of a computer
model to predict a physic characteristic in the field of think films.
Design/methodology/approach: First, SEM images, which reported their thickness, were obtained from literature; then
they were processed and segmented by Chan-Vese segmentation’s method; fractal dimension were calculated over the
segmented images; and, then the extracted data were set in to a neural network to predict the unknown and arbitrary thin film’
thickness.
Findings: The main attention of this paper is state a biunique relation between ZnO thin films’ thickness and fractal
dimension. Concerning the looking of previous researches, which state or rough out the relation between a measured and a
____________________
Historial del manuscrito: recibido el 15/04/2022, última versión-revisada recibida el 27/06/2022, aceptado el 02/08/2022,
publicado el 31/08/2022. DOI: https://doi.org/10.29057/icbi.v10iEspecial3.8940
A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47 41
calculated variable in the field of thin films, it seems they do not exist. The result ensures that a biunique relationship between
thin films thickness and fractal dimension ca be stated.
Research limitations/implications: The approach has used a neural network to predict thin films’ thickness through its
calculated fractal dimension, however, the lack of a data base images’ availability, encourage the need for extend this images’
availability.
Practical implications: The proposed approach could be extended to other calculated metrics, which assembled, can
help stating a computational model to predict the thin films’ thickness.
Originality/value: To the best of the authors’ knowledge, the research presented is fully original for the approach to
predict thin films’ thickness thorough their calculated fractal dimension.
Keywords: Fractal dimension, Neural network, SEM (scanning electron microscopy), TensorFlow®, Thin film´s thickness.
1. Introducción
2.1. Películas delgadas
Hoy en día, las aplicaciones, herramientas y métodos
informáticos, cambian constantemente y mejoran los Como se menciona en Godse et al. (2020), en los últimos
contextos de la humanidad. Los algoritmos, herramientas y años, los óxidos semiconductores atrajeron un gran interés en
métodos computacionales se pueden aplicar en la mayoría de aplicaciones tales como la fotónica, la óptica y la electrónica
las áreas de conocimiento, como las relacionadas con escalas debido a su rendimiento superlativo. Para Chaabouni, Abaab
nanométricas, en particular el contexto de películas delgadas & Rezig (2004), una cuestión crítica en los óxidos
(utilizadas para detección de gases). Al hablar de la semiconductores, como dispositivos sensores de gas, es
predicción de una propiedad física, cabe hacer mención que controlar las propiedades superficiales y estructurales para
no se ha detectado la existencia de un modelo que vincule modificar las propiedades de detección. Los óxidos
alguna propiedad de la morfología de las películas delgadas semiconductores nanocristalinos son muy importantes como
con su espesor. material sensor ya que la reducción de tamaño y el control de
El presente estudio, forma parte de una propuesta para la difusión de gases son los principales factores que mejoran
relacionar la dimensión fractal de películas delgadas de óxido las propiedades de detección de gases (Sarala Devi et al.,
de zinc (ZnO) con el espesor de las mencionadas películas 2006).
delgadas, con objeto de crear una relación aparentemente El óxido de zinc (ZnO) es un material único que exhibe
biunívoca entre ambas variables, la cual contribuya en la múltiples propiedades semiconductoras, piezoeléctricas y
generación de un modelo computacional para predecir una piroeléctricas (Wang, 2004). De acuerdo con Li et al. (2013),
propiedad física de las películas delgadas, con base en una o entre varios nanomateriales semiconductores, los basados en
más variables de entrada. ZnO han atraído un gran interés debido a su amplia brecha de
La morfología para nuestro caso, se interpreta como una serie banda directa (direct band gap - 3,37 eV) y la gran cantidad
de métricas calculadas a partir de imágenes SEM (por sus de energía de unión (60 meV). El presente estudio se calcula
siglas en inglés scanning electron microscopy). En particular, la dimensión fractal de imágenes SEM de películas delgadas
en el presente documento, se aborda la relación de ZnO; se hace uso de estas imágenes, debido a la
aparentemente biunívoca que existe entre la dimensión importancia de las películas delgadas de ZnO como material
fractal, obtenida de imágenes SEM ya segmentadas y su de detección de gases (Zubair & Akhtar, 2019; Yuan et al.,
espesor. 2019; Lorwongtragool, Boonyopakorn & Kladsomboon,
2019; Godse et al., 2020; Han, 2020; Khatibani, 2020); esta
2. Referente teórico dimensión fractal se toma como base para predecir el espesor
de películas delgadas.
Una imagen es un subconjunto de una señal, siendo, además, Algunas aplicaciones de películas delgadas son: sensores de
una función que transporta información y puede representarse monóxido de carbono (CO) (Al-Kuhaili, Durrani & Bakhtiari,
de varias formas. En este contexto, la señal que conforma una 2008); detección de n-butilamina (Kaneti et al., 2016);
imagen, puede sintetizarse y manipularse a través de detección de acetona en el gas de aliento humano
algoritmos computacionales, para emular un fenómeno físico (biomarcador para la diabetes tipo 1 (T1D)) (Fan & Jia,
y utilizarse en el procesamiento de imágenes, para extraer sus 2011).
características, con el consecuente uso o integración de
esquemas que permitan generar relaciones entre dichas 2.2. Espesor de películas delgadas
características. Como se hace mención en Thirumoorthi & Thomas Joseph
Debido a que se puede crear una relación biunívoca entre Prakash (2019), la morfología superficial influye en sus
variables; un modelo computacional para predecir el espesor propiedades mecánicas, eléctricas y ópticas de las películas
de la película delgada, basado en su morfología o alguna de delgadas. De allí la importancia de contar con una
sus características morfológicas, puede tener aplicación, en herramienta computacional que permita determinar la
diferentes campos de estudio, p.ej. en la calidad de aplicación morfología superficial.
de pinturas en el sector automotriz, las propiedades El espesor se puede definir como una diferencia de distancia,
mecánicas de metales forjados, o alguna otra que pueda altura y profundidad de una superficie. Cuando existe una
relacionar características de la superficie con algún cálculo superficie de referencia, se puede medir si existen algunas
(como lo es la dimensión fractal). diferencias o cambios en la medición de distancia de la altura
con referencia a la profundidad. En el caso de películas
delgadas, el espesor se puede establecer, como la diferencia
A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47 42
de altura, con referencia a la superficie del sustrato. Marotti curva de las cajas requeridas con la escala correspondiente
(2004), usa la variable “d” para referirse al espesor de la a la cuadrícula.
película; y, Vetelino & Reghu (2011) usa la variable “t” para
referir el espesor de la película.
En Ennaceri et al. (2019), se expone que existe una relación
entre la morfología y el espesor de películas delgadas de
ZnO. Hassan et al. (2019), encontraron que el tamaño de
grano para películas delgadas de ZnO sin impurificar es de
43.53 nm, al considerar un espesor de 300 ± 30 nm,
depositadas mediante el método de spray pirólisis. Rebollar-
Rivera, Maldonado-Álvarez & Olvera-Amador (2019),
reportan que el tamaño de grano se incrementa de 17 nm a 60
nm, conforme el espesor de la película delgada aumenta de 50
nm a 400 nm. Liu et al. (2019), reportan para muestras de
ZnO sin impurificar, superficies densamente pobladas y Figura 1: Ejemplo de estimación de la dimensión de Hausdorff-
uniformes, con un espesor de 2.6 μm. Besicovitch para la costa de Gran Bretaña. Imagen bajo licencia CC BY-
SA 3.0.
2.3. Dimensión fractal
3. Metodología
Un fractal es, por definición, un conjunto para el cual la
dimensión de Hausdorff Besicovitch excede estrictamente Por un lado, los métodos de regresión, en el contexto
la dimensión topológica (Mandelbrot, 1983). Esos estadístico, permiten relacionar una o más variables
excedentes se pueden ajustar al teorema de Szpilrajn. independientes, con una variable dependiente, la cual se
Según Szpilrajn (1930), existe una relación entre un par puede pronosticar con base en la información de la cual se
de números que establecen un orden o un pre-orden. disponga. Por otro, es claro que los avances tecnológicos
La dimensión fractal es el parámetro fundamental para y la capacidad computacional hacen posible la aplicación
esbozar las características fractales en el contexto de la de métodos o técnicas computacionales complejas para
geometría fractal (Wei & Tang, 2008). La dimensión realizar diferentes tareas, como el uso de redes neuronales
Hausdorff Besicovitch o dimensión fractal de un conjunto que actúan como métodos de pronóstico más potentes y
A restringido en ℝ𝑛 , es un número real usado para complejos, aumentando la eficiencia del pronóstico.
caracterizar la complejidad geométrica de A; en la cual el A través del avance computacional, en el campo del
conjunto A de denomina un fractal si su dimensión software, han surgido diferentes algoritmos para la
Hausdorff Besicovitches estrictamente mayor que su implementación de redes neuronales. En específico, entre
dimensión topológica (Chaudhuri & Sarkar, 1995). los algoritmos de optimización de descenso de gradiente
La dimensión fractal es una expresión lógica de la estocástico (por sus siglas en inglés – Stochastic Gradient
complejidad espacial que mide la complejidad espacial y Descent Optimisation Algorithms) se puede hacer
codifica el número (a menudo fraccionario) de grados de mención de: Adagrad, RMSprop, ADdelta, Adadelta,
libertad necesarios para describir una curva o conjunto de Adam, AdaMax, entre otros.
datos en particular (Zhang et al., 2019b). La dimensión La optimización por medio de Adam, consiste de un
fractal, como caracterización cuantitativa y parámetro método estocástico de optimización de descenso, basado
básico del fractal, es un principio importante de la teoría en estimaciones adaptativas de momentos de primer y
fractal (Bi et al., 2015). segundo orden. De acuerdo con Kingma & Ba (2015),
De forma general la dimensión fractal objeto geométrico, Adam es un algoritmo simple y computacionalmente
por ejemplo: un punto es de dimensión 0, línea eficiente para optimización basada en gradientes de
(dimensión 1), plano (dimensión 2), un volumen funciones objetivo estocásticas; combina la habilidad del
(dimensión 3). En este contexto, una forma sencilla de AdaGrad (Adaptive Gradient Algorithm) para tratar con
medir una curva, es a través de un proceso de gradientes escasos y RMSProp (Root Mean Square
rectificación, mediante el ajuste de rectas a una curva
Propagation) para trabajar con objetivos no estacionarios.
determinada; para lo cual entre más pequeñas sea las
En este estudio se utiliza la función Adam, del módulo
rectas, mejor será el ajuste (Figura 1).
Keras® perteneciente a la librería de TensorFlow®
Al hacer referencia a la dimensión fractal, por ejemplo,
(desarrollada por Google® LLC) como herramienta de
una dimensión fractal de 2.1 se interpreta como que las
predicción, vinculando las mediciones de la dimensión
propiedades de la figura, se encuentran entre las
fractal a partir de imágenes SEM ya segmentadas, para
propiedades de un plano y un volumen.
películas de óxido de zinc (ZnO), en las cuales se
Uno de los métodos para calcular la dimensión fractal es
reconocen las partículas o granos presentes, resultado de
el método de la dimensión Minkowski-Bouligand que,
la deposición de la película delgada. Cabe hacer mención
según Zhang et al. (2016), estima la dimensión fractal,
que la programación del código utilizado se realiza en
suponiendo que un tipo de red o patrón se encuentra sobre
Colab® de Google®, el cual utiliza la versión de Python®
una cuadrícula igualmente espaciada, en el cual se cuenta
3.6.9.
una cantidad de cajas (cuadros) a cubrir, siendo el método
de conteo de cajas una herramienta que puede obtener la
A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47 43
Marotti, R. (2004). Bandgap energy tuning of electrochemically grown ZnO Systems, 1(1), DOI: [10.1145/3362063], URL:
thin films by thickness and electrodeposition potential, Solar Energy [https://arxiv.org/pdf/2002.08168.pdf].
Materials and Solar Cells, 82(1-2), 85–103. DOI: Zhang, Y.D., Chen, X.Q., Zhan, T.M., Jiao, Z.Q., Sun, Y., Chen, Z.M., Yao,
[10.1016/j.solmat.2004.01.008], URL: Y., Fang, L.T., Lv, Y.D. & Wang, S.H. (2016). Fractal dimension
[https://www.sciencedirect.com/science/article/pii/S0927024804000091]. estimation for developing pathological brain detection system based on
Mendonça, T., Ferreira, P. M., Marques, J. S., Marcal, A. R. S. &Rozeira, J. Minkowski-Bouligand method, IEEE Access, 4, 5937-5947 DOI:
(2013). PH2 - A dermoscopic image database for research and [10.1109/ACCESS.2016.2611530], URL:
benchmarking, 2013 35th Annual International Conference of the IEEE [https://ieeexplore.ieee.org/document/7572925].
Engineering in Medicine and Biology Society (EMBC), DOI: Zubair, N. & Akhtar, K. (2019). High performance room temperature gas
[10.1109/embc.2013.6610779], URL: sensor based on novel morphology of zinc oxide nanostructures,
[ieeexplore.ieee.org/document/6610779]. Transactions of Nonferrous Metals Society of China, 29(1), 143–156, DOI:
Morales, C., Leinen, D., del Campo, A., Ares, J. R., Sánchez, C., Flege, J. I., [10.1016/s1003-6326(18)64923-4], URL:
Gutiérrez, A., Prieto, P. & Soriano, L. (2021). Growth and characterization [https://www.sciencedirect.com/science/article/pii/S1003632618649234].
of ZnO thin films at low temperatures: From room temperature to− 120 C.
Journal of Alloys and Compounds, 884, 161056, URL: Apéndice A. Bases de datos para imágenes SEM de
[https://www.sciencedirect.com/science/article/pii/S0925838821024658].
Piegari, A., &Masetti, E. (1985). Thin film thickness measurement: A
diversos materiales. Fuente: elaboración propia con base
comparison of various techniques, Thin Solid Films, 124(3-4), 249–257, en la consulta de bases de datos de imágenes SEM
DOI: [10.1016/0040-6090(85)90273-1], URL:
[https://www.sciencedirect.com/science/article/pii/0040609085902731]. Base de Número de
Rebollar Rivera, Z., Maldonado Alvarez, A. & Olvera Amador, M.L. (2019). Escala URL
datos imágenes
Effect of thickness on photocatalytic properties of zno thin films deposited
by RF magnetron sputtering. In 2019 16th International Conference on Región CA1 https://www.epfl.c
Micró-
Electrical Engineering, Computing Science and Automatic Control (CCE), del 165 x 4 h/labs/cvlab/data/
metros
1-6, URL: [https://cce.cinvestav.mx/images/archivos/papers- hipocampo data-em/
19/CCE_2019_paper_72.pdf]. https://dataverse.h
SaralaDevi, G., Bala Subrahmanyam, V., Gadkari, S. C. & Gupta, S. K.
(2006). NH3 gas sensing properties of nanocrystalline ZnO based thick Reconstruc- arvard.edu/dataset
Micró-
films, Analytica Chimica Acta, 568(1-2), 41–46. DOI: ción de 17 .xhtml?persistentI
metros
[10.1016/j.aca.2006.02.040], URL: imágenes 3D d=doi:10.7910/D
[https://www.sciencedirect.com/science/article/pii/S0003267006004314]. VN/HVBW0Q
Shkir, M., Khan, M. T. &AlFaify, S. (2019). Novel Nd-doping effect on
structural, morphological, optical, and electrical properties of facilely Imágenes https://dataservice
fabricated PbI2 thin films applicable to optoelectronic devices, Applied reales y s.gfz-
Nanoscience, 9, 1417–1426, DOI: [10.1007/s13204-019-00983-w], URL: artificiales Micró- potsdam.de/panm
[https://link.springer.com/article/10.1007/s13204-019-00983-w]. 100
de metros etaworks/showsho
Szpilrajn, E. (1930). Sur l'extension de l'ordrepartiel, Fundamenta
Mathematicae, 16(1), 386-389, URL: [http://eudml.org/doc/212499]. materiales rt.php?id=escidoc:
Thirumoorthi, M. & Thomas Joseph Prakash, J. (2019). Doping effects on granulares 1423021
physical properties of (1 0 1) oriented tin zinc oxide thin films prepared by Imágenes
nebulizer spray pyrolysis method, Materials Science and Engineering: B,
artificiales https://data.mende
248, 114402, DOI: [10.1016/j.mseb.2019.114402], URL: Nanó-
[https://www.sciencedirect.com/science/article/pii/S0921510719302053]. de 2048 ley.com/datasets/tj
metros
Vetelino, J. &Reghu, A. (2011). Chapter 2: Electrochemical sensors, In: materiales 4syyj9mr/1
Vetelino, J. &Reghu, A. (eds.), Introduction to sensors, ISBN: 978-1-4398- pulverizados
0852-8, CRC Press, Taylor & Francis Group.
Wang, Z. L. (2004). Nanostructures of zinc oxide. Materials today, 7(6), 26-
https://www.bco-
Biopelículas Milí-
33, DOI: 454 dmo.org/dataset/7
y minerales metros
[https://www.sciencedirect.com/science/article/pii/S136970210400286X], 56152
URL: [10.1016/S1369-7021(04)00286-X]. https://www.utole
Wei, G. & Tang, J. (2008). Study of Minimum Box-Counting Method for
image fractal dimension estimation, 2008 China International Conference do.edu/nsm/ic/inst
Especímenes Micró-
on Electricity Distribution, DOI: [10.1109/ciced.2008.5211829], URL: 19 ruments/ICenter/S
biológicos metros
[https://ieeexplore.ieee.org/document/5211829]. EM_Image_Datab
Wen, L., Sahu, B.B., Kim, H.R. & Han, J.G. (2019). Study on the electrical, ase.html
optical, structural, and morphological properties of highly transparent and
conductive AZO thin films prepared near room temperature, Applied https://b2share.eu
Materiales y
Surface Science, 473, 649-656, DOI: [10.1016/j.apsusc.2018.11.250], Nanó- dat.eu/records/80d
especímenes 21,169
URL: metros f8606fcdb4b2bae
[https://www.sciencedirect.com/science/article/abs/pii/S016943321833328 diversos
1656f0dc6db8ba
2?casa_token=GA0flqiame4AAAAA:ELoUVr-
HiCjIxU6d_k1c71Fn1FXM-XxjNnDfbyu60kjEWS- https://metadb.rik
No
BCMaUzk60o7GCK6ziDd2wNpF22Jby]. Microestruct en.jp/metadb/db/cl
Yuan, H., Aljneibi, S. A. A. A., Yuan, J., Wang, Y., Liu, H., Fang, J., Tang, determi 7868
uras stMultimodalMicr
C., Yan, X., Cai, H., Gu,Y., Pennycook, S. J., Tao, J. & Zhao, D. (2019). nado
ostruct
ZnO Nanosheets Abundant in Oxygen Vacancies Derived from Metal-
Organic Frameworks for ppb-Level Gas Sensing, Advanced Materials, No http://www.cellim
Células
1807161, DOI: [10.1002/adma.201807161], URL: determi 273 agelibrary.org/pag
[https://onlinelibrary.wiley.com/doi/full/10.1002/adma.201807161]. humanas
nado es/project_20269
Zhang, R., Stanley, K.G., Fuller, D. & Bell, S. (2019b). Differentiating
Population Spatial Behavior using Representative Features of Geospatial
Mobility (ReFGeM), ACM Transactions on Spatial Algorithms and